目前，绝大多数知识图谱研究针对实体知识图谱主要以实体（特别是人名）为基础。面向事件知识图谱研究的语料构建和研究方法还处于探索阶段。特别是，中文事件知识图谱的研究几乎是空白。相对于实体知识图谱，事件知识图谱具有明显的语义表达优势，有利于知识推理。本报告将主要从事件抽取、事件关系抽取、事件/事件关系可信度计算、事件知识图谱构建技术和事件知识图谱推理等五个方面系统深入分析事件知识图谱构建研究相关的国内外研究现状，存在关键问题以及研究思路。

多目标跟踪算法，使用GNN全局最近邻算法，进行目标 关联处理，

我们总结了知识图谱的创建、丰富、质量评估、细化和发布的方法。我们将概述著名的开放知识图谱和企业知识图谱及其应用，以及它们如何使用上述技术。最后，我们总结了未来高层次的知识图谱研究方向。

图神经网络依然是研究焦点之一。最近在WWW2020的DL4G@WWW2020论坛，斯坦福大学Jure Leskovec副教授介绍了图神经网络研究最新进展，包括GNN表现力、预训练和公开图神经网络基准等。值得关注。

李宏毅助教姜同学讲解GNN.pdf

图形健身房 GraphGym是用于设计和评估图神经网络（GNN）的平台。 强调 1.高度模块化的GNN管道 数据：数据加载，数据拆分 模型：模块化GNN实施 任务：节点/边/图级GNN任务 评估：精度，ROC AUC，... 2.可重复的实验配置 每个实验均由配置文件完整描述 3.可扩展的实验管理 轻松并行启动数千个GNN实验 自动生成随机种子和实验中的实验分析和图形。 4.灵活的用户定制 轻松地在注册您自己的模块，例如数据加载器，GNN层，损失函数等。 为什么选择GraphGym？ TL; DR： GraphGym非常适合GNN初学者，领域专家和GNN研究人员。 方案1：您是GNN的初学者，他想了解GNN的工作原理。 您可能已经阅读了许多有关GNN的精彩论文，并尝试编写自己的GNN实现。使用现有的GNN包，您仍然必须自己编写必要的管道。 GraphGym是您开始学习标准化GNN实施

库卡低负载机器人(5-20KG)资料大全

知识图谱白皮书，知识图谱技术标准化，知识建模、知识表示、知识提取、知识融合、知识映射、知识应用等

知识图谱白皮书 涉及知识图谱相关技术 知识抽取 知识表示 知识建模 知识融合 知识映射

本文发现基于图神经网络（Graph Neural Networks，GNN）相关的接受paper非常多，图神经网络这几年方法的研究，以及在CV、NLP、DM上应用也非常广，也是当前比较火的topic。